在鲁棒的MVDR波束成形中，用于干扰加噪声协方差矩阵重建的稀疏贝叶斯学习

《Digital Signal Processing》：Sparse Bayesian Learning for Interference-Plus-Noise Covariance Matrix Reconstruction in Robust MVDR Beamforming

基于多示例稀疏贝叶斯学习的干扰加噪声协方差矩阵重建与鲁棒MVDR波束成形方法，提出噪声地板校准筛选规则、能量覆盖主导集选择和方向-尺度解耦归一化机制，有效抑制有限快拍与阵列构形失配下的泄漏累积，提升干扰抑制能力。

　　
该研究针对移动阵列平台（如无人机搭载阵列）在有限快拍数据、阵列 manifold 不确定性（主要表现为波束指向粗略估计误差和干扰方向模糊）以及干扰污染训练样本等复杂场景下，提出的基于多拍稀疏贝叶斯学习（SBL）的干扰加噪声协方差矩阵（INCM）重建方法及其鲁棒MVDR波束形成器设计。研究重点突破传统MVDR依赖精确波束指向和完整协方差矩阵的局限性，通过分层建模实现数据驱动的噪声估计与干扰协方差矩阵重构，为移动阵列环境下的抗干扰波束形成提供新思路。

研究首先系统梳理了传统MVDR波束形成器的局限性。在移动平台场景中，阵列波束指向的粗略估计（Δθ）和干扰源方向的不确定性（DOA模糊）会导致样本协方差矩阵（SCM）显著失真，引发目标信号自相消和信干噪比（SINR）严重下降。现有抗干扰方法如鲁棒Capon、不确定集优化等，虽通过正则化或约束条件增强鲁棒性，但仍存在依赖固定DOA检索算法、噪声估计与干扰建模耦合度高等固有缺陷。研究指出，当前SBL辅助的INCM重建方法存在两大痛点：一是采用固定扇区积分规则导致泄漏敏感，二是噪声地板估计与筛选机制未有效解耦，难以适应小快拍量（L<50）场景。

针对上述问题，研究提出三层递进式解决方案：首先通过改进的多拍SBL模型实现干扰方向谱的稀疏估计与噪声方差联合推断。该方法创新性地将单次SBL扩展至多拍联合建模，利用稀疏先验约束在有限数据下抑制伪峰出现，并通过自适应超参数学习提升噪声估计精度。实验表明，在快拍数L=15时，噪声方差估计的均方误差比传统单拍SBL降低约40%。

其次，开发噪声地板-校准的动态筛选机制。区别于现有方法依赖预设阈值或固定积分扇区，本研究提出基于SBL噪声估计的浮动门限机制：通过建立与噪声方差成比例的动态筛选阈值（CFAR型），有效抑制因阵列manifold失配和有限快拍引起的谱泄漏。特别地，在粗略波束指向（Δθ=5°）场景下，该机制可使有效干扰方向数减少约30%，同时保持目标信号方向识别的准确率在98%以上。

第三，构建方向-尺度解耦的协方差矩阵合成框架。研究揭示传统方法中干扰功率归一化与方向筛选的耦合会导致尺度敏感误差。为此，创新性地将干扰方向谱分解为能量密度和方向分布两个独立维度：在能量维度采用主成分分析法（PCA）提取最大方差子空间，方向维度则通过动态加权组合实现干扰功率的稳定缩放。仿真验证表明，该方法在波束指向误差Δθ=10°时，SINR仍比传统MVDR提升12-18dB。

理论分析部分，研究建立了SBL证据目标函数的协方差域表征模型。通过概率推导证明，在理想网格配置和信号分离条件下，该模型渐进收敛于最优INCM估计。特别地，当快拍数L趋近于无穷大时，SINR表现接近"伪先知"（Near-Genie）特性，理论推导与仿真结果高度吻合（误差<3%）。研究还揭示了谱泄漏对INCM重建的影响机制：当快拍数L<50时，泄漏能量随网格密度增加而指数级累积，导致传统积分方法INCM合成误差超过25dB。本文提出的动态筛选机制可将泄漏积累误差控制在8dB以内。

仿真实验覆盖三大典型场景：（1）多干扰源（最大干扰数K=10）且DOA模糊（±5°）条件；（2）快拍数L=5-30的有限数据情形；（3）粗略波束指向误差Δθ=0°-15°。对比实验包含经典方法（MVDR、Capon）、主流SBL辅助方法（SBL-CMR）、最新改进方法（URGLQ+自动维数选择）以及本文方法。结果显示：在L=15，Δθ=10°，K=8的严苛条件下，本文方法SINR达到28.6dB，较次优方法提升23.8%，较传统MVDR提升17.2dB。值得注意的是，在快拍数L=10时仍能保持SINR>25dB，这得益于多拍SBL的噪声方差联合估计和动态门限机制。

该方法的应用价值体现在三个层面：首先，为移动阵列平台（如无人机、车载阵列）提供了一种通用抗干扰方案，特别适用于快速时变信道环境；其次，突破传统方法对精确DOA先验的依赖，仅需粗略波束指向即可实现有效干扰抑制；最后，提出的动态门限机制和方向-尺度解耦技术，为其他稀疏阵列处理问题（如多目标跟踪、智能反射表面通信）的协方差矩阵重构提供了方法论参考。

研究还深入探讨了噪声估计与方向筛选的交互影响。通过建立双向误差传播模型，量化分析了噪声方差估计偏差（<±5%）、方向网格密度（0.1°-0.5°）和粗波束指向误差（0°-15°）三者的耦合效应。实验表明，当噪声方差估计误差超过±8%时，SINR性能下降约3dB；若网格密度降低至0.3°且存在5°波束指向误差，性能损失不超过6dB。这为工程应用中的参数权衡提供了理论依据。

该研究的技术创新点主要体现在：（1）首次将多拍SBL与INCM重建相结合，突破单拍方法的噪声估计局限；（2）提出噪声自适应浮动门限与能量覆盖双约束筛选机制，有效抑制谱泄漏累积效应；（3）设计方向-尺度解耦的功率归一化方法，显著降低波束指向误差对干扰抑制的影响；（4）建立SBL证据函数的协方差域解析模型，为稀疏阵列处理提供新的理论视角。

研究局限性在于对密集干扰场景（K>15）的适应性仍需验证，未来工作将重点探索深度学习与SBL的融合方案。此外，在宽频带场景中，提出的窄带方法需进一步扩展频谱灵敏度参数。总体而言，该研究为移动平台稀疏阵列的智能波束形成技术提供了重要的理论突破和实践指导，特别是在资源受限且环境快速变化的应用场景中展现出显著优势。